論文の概要: Unified Deep Learning Approach for Estimating the Metallicities of RR Lyrae Stars Using light curves from Gaia Data Release 3

• arxiv url: http://arxiv.org/abs/2505.20947v1
• Date: Tue, 27 May 2025 09:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.548921
• Title: Unified Deep Learning Approach for Estimating the Metallicities of RR Lyrae Stars Using light curves from Gaia Data Release 3
• Title（参考訳）: Gaia Data Release 3 からの光曲線を用いたRRリレー星の金属量推定のための統一深層学習手法
• Authors: Lorenzo Monti, Tatiana Muraveva, Alessia Garofalo, Gisella Clementini, Maria Letizia Valentini,
• Abstract要約: 基礎モード(RRab)と1次オーバートン(RRc)のRRLをガイアGバンド光曲線を用いて推定する統合ディープラーニングフレームワークを提案する。 我々のパイプラインは、位相折り畳み、平滑化、サンプル重み付けといった前処理ステップを含み、光度金属をトレーニングターゲットとして使用しています。
• 参考スコア（独自算出の注目度）: 0.18952003596599099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RR Lyrae stars (RRLs) are old pulsating variables widely used as metallicity tracers due to the correlation between their metal abundances and light curve morphology. With ESA Gaia DR3 providing light curves for about 270,000 RRLs, there is a pressing need for scalable methods to estimate their metallicities from photometric data. We introduce a unified deep learning framework that estimates metallicities for both fundamental-mode (RRab) and first-overtone (RRc) RRLs using Gaia G-band light curves. This approach extends our previous work on RRab stars to include RRc stars, aiming for high predictive accuracy and broad generalization across both pulsation types. The model is based on a Gated Recurrent Unit (GRU) neural network optimized for time-series extrinsic regression. Our pipeline includes preprocessing steps such as phase folding, smoothing, and sample weighting, and uses photometric metallicities from the literature as training targets. The architecture is designed to handle morphological differences between RRab and RRc light curves without requiring separate models. On held-out validation sets, our GRU model achieves strong performance: for RRab stars, MAE = 0.0565 dex, RMSE = 0.0765 dex, R^2 = 0.9401; for RRc stars, MAE = 0.0505 dex, RMSE = 0.0720 dex, R^2 = 0.9625. These results show the effectiveness of deep learning for large-scale photometric metallicity estimation and support its application to studies of stellar populations and Galactic structure.
• Abstract（参考訳）: RRリレー星(RR Lyrae star、RRLs)は、金属量と光曲線形態との相関により、金属トレーサとして広く用いられる古い脈動変数である。 ESA Gaia DR3は、約270,000 RRLの光曲線を提供するため、光度データからそれらの金属を推定するためのスケーラブルな方法が必要である。 基礎モード(RRab)と1次オーバートン(RRc)のRRLをガイアGバンド光曲線を用いて推定する統合ディープラーニングフレームワークを提案する。 このアプローチは、RRab星に関するこれまでの研究をRRc星を含むように拡張し、高い予測精度と両者の脈動型への広範な一般化を目指していた。 このモデルは、時系列外部回帰に最適化されたGRU(Gated Recurrent Unit)ニューラルネットワークに基づいている。 パイプラインには, 位相折り畳み, 平滑化, 試料重み付けなどの前処理工程が含まれており, 文献からの光度金属をトレーニングターゲットとして利用している。 このアーキテクチャは、RRab と RRc の光曲線のモルフォロジー的な差異を、別のモデルを必要としないよう設計されている。 ホールドアウト検証セットでは、我々のGRUモデルは、RRab星の場合、MAE = 0.0565 dex, RMSE = 0.0765 dex, R^2 = 0.9401; RRc星の場合、MAE = 0.0505 dex, RMSE = 0.0720 dex, R^2 = 0.9625。 これらの結果は,大規模光度金属量推定における深層学習の有効性を示し,星団と銀河構造の研究への利用を支援する。

関連論文リスト

• Leveraging Deep Learning for Time Series Extrinsic Regression in predicting photometric metallicity of Fundamental-mode RR Lyrae Stars [0.20332580380956125]
  我々はガイア光Gバンドの光曲線から基本モード(ab型)RRリレー星の金属度を推定する新しい手法を開発した。 我々のディープラーニングモデルは、平均絶対誤差(MAE)が0.0565である顕著な予測性能を示した。 我々の研究は、天文学研究における深層学習の重要性を、特にガイアのようなミッションからの大規模なデータセットで浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-10-23T14:26:35Z)
• Deep Learning and LLM-based Methods Applied to Stellar Lightcurve Classification [7.592813175419603]
  本稿では,変光度曲線の自動分類のための深層学習・大規模言語モデル(LLM)の総合評価を行う。 特にCepheids, RR Lyrae, and eclipsing binariesに重点を置いて, 観測周期と位相分布が分類精度に及ぼす影響について検討した。 LLM, マルチモーダル大言語モデル(MLLM), 大規模音声言語モデル(LALM)の3モデルからなる革新的なシリーズであるStarWhisper LightCurve (LC)を発表した。
  論文  参考訳（メタデータ） (2024-04-16T17:35:25Z)
• Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
  我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。 実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
  論文  参考訳（メタデータ） (2024-03-07T00:12:08Z)
• Astroconformer: The Prospects of Analyzing Stellar Light Curves with Transformer-Based Deep Learning Models [2.9203802343391057]
  我々は、Transformerベースのディープラーニングフレームワークである$textitAstroconformer$を紹介した。 $textitAstroconformer$は優れたパフォーマンスを示し、データリッチなレシエーションで$log gapprox3$で0.017 dexのroot-mean-square-error(RMSE)を達成する。 $textitAstroconformer$は、高い精度で$nu_max$を抽出することにも長けている。
  論文  参考訳（メタデータ） (2023-09-28T10:13:23Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using Convolutional Neural Networks [0.903415485511869]
  深層学習の力を利用して、ケプラー光曲線から恒星の自転周期を遅らせる。 我々は、回転周期を推定する現在の標準である、ランダムな森林回帰器、1D CNN、自動相関関数(ACF)に対して、我々の手法をベンチマークする。
  論文  参考訳（メタデータ） (2020-12-02T07:14:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。